协调调度模型（精选7篇）
协调调度模型 篇1
0 引言
为鼓励风电等新能源发展, 国家出台了一系列扶持政策, 并要求电网公司全额消纳新能源发电[1]。中国目前新能源并网对电网的影响主要集中在风电上, 但风电具有典型的波动性和间歇性等特性, 与常规能源相比供电可靠性较低, 并且难以有效预测、调度和控制[2,3,4,5,6]。此外, 在北方大部分地区, 冬季大量热电联产机组需要保证一定出力, 而风电的反调峰特性进一步加剧了电网运行的矛盾[7,8], 为电网运行方式安排和运行控制带来了巨大的冲击。
在这种情况下, 强制全额消纳风电会使电网安全运行风险大大增加, 因此在某些情况下必须考虑弃风。目前, 导致弃风的因素主要有以下两类: (1) 传统电源缺乏足够的可调能力; (2) 传统电源仍有可调空间, 但线路已经过载, 无法满足高渗透率风电接入后的供电可靠性要求[9,10,11]。本文将针对以上两种情况, 通过优化常规机组和风电机组出力, 既保证线路潮流安全, 又做到合理弃风, 确保风电场之间的公平性。
目前在风电机组与常规火电机组联合优化方面的研究成果表明, 常规火电机组开机方式和出力计划安排对风电消纳有着非常明显的影响[12,13]。合理的常规能源与间歇性能源发电协调优化, 有助于挖掘电网潜力, 提升风电等间歇性新能源发电消纳能力。文献[12]在机组组合的基础上, 分别在系统发电能耗最小调度模式和弃风电量最小调度模式下, 研究常规火电机组启停对风电功率消纳的影响, 指出能耗最小调度模式下的电力系统运行经济性要优于弃风电量最小调度模式。文中, 风电弃风惩罚成本为一固定值, 通过常规发电机组与风电机组统一优化, 得到系统整体弃风电量。文献[13]引入CO2价格机制, 通过调整常规火电机组的启停计划, 综合考虑系统经济和环保效益, 指出在以大型火电机组为主要电源的电网中, 优先但不强制全部消纳风电更有利于提高电网整体运行经济性和环保性。
消纳风电可以降低系统煤耗, 减少CO2排放量, 但也会导致火电机组偏离经济运行点, 甚至导致火电机组启停, 从而增加火电机组单位发电煤耗。已有研究衡量风电消纳的利弊, 综合考虑整个系统的经济性与环保性, 通过调整常规火电机组开机方式和出力计划来优先消纳风电出力。在实际工程应用中, 一旦出现弃风, 电网公司必将面临来自社会各方尤其是风电场的压力, 因此, 弃风功率在各风电场间的分配也要满足一定原则, 要相对公平。
在目前已投入使用的调度计划应用中, 侧重于常规火电机组的优化调度, 对风电等间歇性新能源与常规能源的协调优化方法较为简单, 对风电等间歇性新能源的优化策略一般是将风功率预测结果以固定出力的方式参与日前、日内发电计划的优化编制, 通过优化调整常规火电机组的出力来最大限度地消纳风电;在风电全额消纳存在困难的情况下, 主要依靠人工决策调整常规机组计划并削减风电机组出力, 电网大范围资源优化配置和风电消纳能力优化提升受到限制。
本文在前述理论研究成果的基础上, 考虑到实际电力系统应用中的诸多因素, 采用安全约束经济调度 (SCED) 模型, 引入风功率弃风分段惩罚因子, 优先消纳风电, 当风功率并网对电网安全运行或系统调峰造成影响导致不能全额消纳风电时, 协调优化常规火电机组与风电机组的出力, 并按照事先制定的风电弃风原则对各风电场进行有序弃风, 统筹考虑电网安全性、经济性和环保型。
在实际应用中, 由于单台风机额定功率较小, 每个风电场一般拥有多台风机, 加上风电波动具有分散互补性[14], 故在风功率预测、调度和控制时一般针对风电场, 在实际建模时一般在风电场出口变压器高压侧建立一台虚拟风电机组, 以替代该风电场。为叙述方便, 本文对风电机组与风电场不作区分。
1 含风电的日前发电计划模型
1.1 目标函数
目标函数为调度周期内系统总成本 (煤耗) 最低, 由于风电发电成本为零, 仅在发生风电弃风时考虑虚拟弃风惩罚成本, 因此系统实际成本为常规火电机组发电成本。优化目标为:
式中:T为系统调度周期所含时段数;N为系统中参与调度的常规火电机组数;Ci, t为常规发电机组i在时段t的发电成本;W为系统中风电机组数;Δw, t为风电机组w在时段t的弃风惩罚成本。
1.2 风功率相关约束
针对弃风问题, 国内外在调度计划模型和市场机制方面都进行了广泛的探索。在调度计划模型方面, 文献[12-13]给弃风设置了惩罚因子, 该因子是一个固定值。在这种情况下, 模型中难以区分弃风究竟是由哪些风电场来承担, 尤其对于多个风电场在同一集群点集中接入时, 如果是调度模块自动优化运行, 可能出现反复由几个风电场承担弃风, 这是不公平的;而如果由人工选择承担弃风的风电场, 公平性也难以得到保证。在电力市场环境下, 德国设置了统一固定的风电补偿价格, 在风电大发时, 火电由于无法停机, 导致短期市场电力价格达到-500/ (MW·h) , 造成市场混乱, 在业内引起了巨大的反应。针对这一现状, 文献[15]提出应当灵活变化风电补偿价格, 使市场更有序。
因此, 本文引入风电弃风分段惩罚因子, 对常规机组和风电机组进行联合优化。引入风电弃风分段惩罚因子后, 弃风成本可表示为:
式中:S为分段惩罚函数总段数;λw, s为风电机组w在其分段函数第s段的惩罚因子, 该因子一般较大, 以达到抑制风电弃风的效果;Δpw, s, t为风电机组w在时段t在分段函数第s段上的变化量, 为非负值。
风电机组弃风功率采用分段累加表达:
式中:pdropw, t为风电机组w在时段t的弃风功率;PΔw, s, t和PΔw, s-1, t分别为分段函数第s段和第s-1段的终点功率。
风电弃风功率分段惩罚因子如图1所示, 随着弃风功率的增加, 惩罚因子也会增加。
采用分段递增惩罚因子后, 随着风电弃风功率的增加, 惩罚成本快速增大, 如图2所示。通过对风电机组在各段惩罚因子的控制, 可以达到有序弃风的效果。
由图2易知, 风电弃风功率最小为0, 最大值为风功率预测出力, 因此有
式中:Pfixw, t为风功率预测出力。
在此模式下, 风电机组出力为:
1.3 其他约束
实际中需要弃风时, 通常会对某一地区内的风电总出力有上限约束:
式中:Pzonez, t为区域z在时段t的风电总出力上限。
风电并网后, 系统负荷平衡约束为:
式中:PtL为系统负荷预测值。
文献[16-17]阐述了发电计划模型中的其他约束, 如火电机组出力上下限约束、机组爬坡/滑坡率约束、区域功率交换约束、支路及输电断面极限约束等。其中, 考虑大规模风电接入后的系统备用容量设置, 采用文献[18]中的方法。
至此, 建立考虑电网安全的风电火电协调优化调度模型。本文模型为线性模型, 可采用比较成熟的数学求解软件进行求解。本文采用CPLEX软件进行模型求解。
2 模型工程适应性分析
在实际运行中, 很多因素都会导致电网不能全额消纳风电。例如, 由于风电加入导致部分线路潮流越限时, 风电无法被全额消纳。本文的研究重点就在于, 当风电全额消纳不能满足时, 如何安全、合理地对各个风电场进行弃风。本文模型是通过优化模型中的线路约束保证潮流安全, 通过设定弃风惩罚因子有序、合理地对各个风电场进行弃风, 从而达到安全且合理这两个目的。在不同的应用环境下, 可以赋予该惩罚因子不同的物理意义。
在节能发电调度模式下, 由于只需考虑系统整体弃风功率, 无需对各个风电场进行区分, 故可不对弃风惩罚因子进行分段, 只将其设置为一个很大的正值即可, 使得火电机组通过降出力、深调峰甚至停机等手段来保证最大限度地消纳风电。同时, 可将各风电场的弃风惩罚因子设置为相同, 避免在风电电量上网时厚此薄彼。
在三公调度模式下, 调度部门即要保证火电机组完成年度电量计划, 又要保证各风电场全年利用小时数大致相等。因此, 对于利用率较低的风电场, 可将其弃风惩罚因子设置得相对较大, 使其少弃风、多发电, 以提高其利用率。如图3所示, 风电场A在第2段上的弃风惩罚因子小于风电场B第1段的弃风惩罚因子, 故两个风电场的弃风顺序不同, 在需要弃风时, 由于风电场A的弃风惩罚因子较小, 弃风顺序靠前, 因此首先会对风电场A进行弃风, 只有当风电场A第2段弃风功率完成之后, 才对风电场B第1段进行弃风。要实现不同的弃风效果, 只需调整两风电场各段惩罚因子的相对大小即可实现。如果希望同等对待两个风电场, 可设置相同的弃风惩罚因子, 则两个风电场的弃风顺序相同, 在需要弃风时, 会按照大致相同的比例进行弃风。
在电力市场模式下, 由于风电弃风相当于降出力提供下调备用, 因此, 可将弃风惩罚因子设置为风电场辅助服务的价格。惩罚因子越小, 即该风电场提供下调备用的价格越低, 调度部门支付给风电场的辅助服务费用也越小, 风电场的弃风也越多。电力市场中下调备用价格的典型曲线如图4所示, 可知风电场C的下调备用价格低于风电场D, 因此, 在系统需要下调备用时, 风电场C首先弃风降出力, 之后才会对风电场D进行弃风。
惩罚因子的设置还可以激励风电场风功率预测精度的提高。对于风功率预测精度较低的风电场, 将其惩罚因子设置得相对较小, 在需要弃风时, 该风电场的弃风比例会大于风功率预测精度较高的风电场, 以激励该风电场提高其风功率预测精度。
此外, 惩罚因子的设置也可以根据各风电场的技术水平, 设置不同的弃风承担方式。美国德州电力市场 (ERCOT) 按技术水平将风电场进行分类, 技术落后、控制水平较差的风电场, 弃风惩罚因子较小, 弃风比例较大;技术先进、控制水平较好的风电场, 弃风惩罚因子较大, 弃风比例较小[19]。
由以上分析可知, 赋予弃风惩罚因子不同的物理意义, 可使该模型适应不同的应用环境。本文希望能提供一个通用的数学模型, 在不同的应用环境中, 当惩罚因子确定后, 模型求解结果能够满足预期需求, 具备较好的工程适应性。
3 算例分析
以国内某省级电力系统实际数据构造算例, 对建立的模型进行验证分析。该系统包括212台建模机组, 总装机容量54.867 GW, 其中风电机组35台, 装机容量5.308GW。系统内开机机组最小技术出力为21.878GW。共36个安全约束断面。采用冬季某典型日负荷进行计算, 该日系统负荷为双峰曲线, 峰荷分别为41.703GW (第45时段 (每时段间隔15min) ) 、43.499GW (第70时段) , 谷荷为32.996GW (第16时段) , 如图5所示。
该日风功率预测曲线为典型反调峰曲线, 最小值为849MW (第54时段) , 最大值为1 344MW (第88时段) , 如图6所示。
首先利用本文模型编制日前96点发电计划, 并对结果进行分析。其次, 针对某一区域内的多个风电场, 分别设置其弃风顺序相同和弃风顺序不同, 分析在该区域输电断面受阻情况下的弃风结果。再次, 风电出力曲线具有反调峰特性, 而冬日供热机组需要保持一定出力, 故在负荷低谷时由于调峰需求也可能导致弃风, 本文对这种情况也进行了分析。
3.1 输电断面受阻弃风算例分析
为了更直观地观察本文模型对风电出力优化的效果, 分别在两种场景下进行日前发电计划编制。
场景1:所有风电机组均以各自预测出力曲线作为其固定出力计划, 只对常规火电机组进行出力计划优化。
场景2:选取某研究区域内3台风电机组作为研究对象, 将3台机组的弃风顺序设置为相同, 并将其可弃风功率等分为10段, 其中第1段的弃风惩罚因子设为100 000, 后面各段每段递增10 000。其他风电机组以各自预测出力曲线作为其固定出力计划。综合优化风电机组与常规火电机组出力计划。
分别在以上两种场景下进行日前发电计划编制, 计算结果如表1所示。由表1可知:在场景1中, 风功率强制全额消纳, 系统发电成本最低;场景2允许弃风, 风电消纳量降低, 导致发电成本有所增加。
图7所示为研究区域与系统主网的输电断面潮流曲线。在场景1中, 风电机组以其预测出力曲线作为出力计划, 由于该区域内各风电场独立进行风功率预测, 可能导致区域内风功率预测出力总加超出输电断面限值。如图7所示, 在第87时段, 区域内风功率预测出力总加为903 MW, 而输电断面限额只有780 MW。在此场景下, 采用文献[17]中的松弛方法, 可以容忍一定程度的输电断面越限。场景2则对风电机组进行了弃风处理, 消除断面越限。
3台风电机组风功率预测出力总加与弃风后总曲线如图8所示。可知, 弃风比例最大为49.80%, 发生在第87时段。
3台风电机组的优化出力曲线如图9所示。可知, 在场景1中, 3台机组的出力曲线即为各机组预测出力, 场景2通过合理安排各台风电机组的弃风, 很好地解决了风功率过大导致的断面越限问题。
本例设置参与弃风的各风电机组弃风顺序相同, 由图可知, 在需要弃风的时段, 根据该时段的风功率预测值按相同比例进行弃风, 可以保证弃风功率在各台风电机组之间的分配相对公平。
在发生弃风的调度时段, 弃风电量与预测电量的统计结果如表2所示。
由表2可知, 在需要弃风的时段, 3台风电机组弃风电量占预测电量的比例大致相同, 表明模型能按相同的比例对各台风电机组进行弃风, 满足本算例设置的弃风顺序相同的要求, 说明模型求解结果是合理的。
3.2 不同弃风顺序算例分析
2.1节算例中, 场景2将待研究的3台机组的弃风顺序设置为相同。在此基础上, 本节设置3台机组弃风顺序不同, 设为场景3。由前文分析可知, 若希望某风电机组多弃风, 可将其弃风顺序设置较前, 即将其弃风惩罚因子设置得较小。
场景3中, 风电机组A首段惩罚因子设置为100 000, 后面各段每段递增10 000;风电机组B首段惩罚因子设置为110 000, 后面各段每段递增10 000;风电机组C首段惩罚因子设置为120 000, 后面各段每段递增10 000。由弃风惩罚因子设置可知, 风电机组A弃风顺序最前, 机组B次之, 机组C再次。计算结果如表3所示。由表可知, 弃风顺序较前的风电机组其弃风比例较高, 排在弃风顺序较后的风电机组其弃风比例较低。
3台机组在两种弃风顺序下的出力曲线如图10所示。可知, 弃风顺序较前的风电机组, 在需要弃风时, 会较弃风顺序较后的风电机组降低更大比例的风电出力。通过设置各风电机组间的相对弃风顺序, 可以有效地对风电机组进行弃风控制, 并对各风电机组的弃风比例进行一定程度上的控制。
3.3 系统调峰弃风算例分析
测试日系统负荷最小值为32.996GW (第16时段) , 而系统内开机机组最小技术出力为21.878GW, 一般情况下不会由于系统调峰问题而发生弃风。为测试本文模型在系统存在调峰问题时的有效性, 对系统负荷进行修改, 将系统负荷最小值改为21GW, 见图11, 并进行发电计划编制。
风电弃风结果如图12所示。在系统负荷低于开机机组最小技术出力的时段内, 对风电进行弃风。从本质上来说, 由于输电断面受限和系统调峰问题导致弃风, 在分配给参与弃风的各台风电机组时, 原理是相同的。前文已经对弃风顺序相同或弃风顺序不同进行了详细分析, 故此处对弃风总功率在各风电机组间的分配不再赘述。
4 结语
随着对风电并网研究的深入, 逐渐认识到合理的弃风能够提高风功率的电网友好性。本文在此背景下, 引入风功率弃风分段惩罚因子, 优先消纳风电, 当风功率不能全额消纳时, 可按一定的弃风原则对各风电场进行有序弃风, 降低了风电并网后给电网带来的运行控制风险。实际应用表明, 在调度计划模块中适当考虑弃风, 可满足大规模风电接入后电网调度决策快速性和综合性的要求, 有效地减轻风电对电网的影响, 保障电力系统的安全稳定运行, 提高电网消纳大规模风电的能力, 保证风电调度安全和可再生能源的充分利用。
此外, 由于间歇性能源的固有特性, 风电出力波动剧烈, 在短时间内经常突升突降。在弃风操作时, 如何保证弃风后的风电出力相对比较平稳, 使得风电更加易于控制, 可作为进一步研究的方向。
协调调度模型 篇2
传统模式下的电力系统是一个“单侧随机系统”,即用户的用电负荷具有随机性、不可控性,而发电出力则相对可控[1,2]。 未来随着大量可再生能源发电并网,发电侧的随机性显著增加,电力系统即将转变为“双侧随机系统”,这严重影响了电力系统整体的安全稳定运营。
近年来,随着需求侧管理工作的深入推广、需求侧管理技术的不断改进,用户的需求侧响应行为已经使负荷有可能成为一种相对可控的资源[3]。 因此,降低未来电力系统“双侧随机”特征应当从发电侧和需求侧双侧入手:一方面,将需求侧资源视为与供应侧相等价的资源,通过直接负荷控制、分时电价等手段,利用用户的可转移负荷、储能、可中断负荷等资源,做到负荷转移、削峰填谷,实现用户用电负荷的相对可控;另一方面,将灵活的调峰发电机组与风电机组、光伏发电等不可控发电机组相结合,通过调度手段实现发电侧出力的相对可控。 通过以上措施,能够实现电力系统的双侧协调配合,在保证电力系统安全稳定运营的基础上,提高可再生能源发电的利用效率。
国内外有关需求侧管理的研究主要集中于各类需求侧资源的有效协同[4,5,6],利用需求侧资源提高风电等可再生能源并网消纳[7,8,9,10,11,12],考虑需求侧响应的电力系统安全稳定运行[13,14,15]等方面。 文献[16]将分布式发电、负荷、储能3 类资源作为广义需求侧资源,构建了更具弹性的微网运行优化构架。 文献[17]通过识别各类用户的需求侧资源,利用多层次叠加技术测算得到预测区域内的最大负荷。 文献[18]根据各类需求侧备用资源的性质,建立了碳排放约束下优化调度的混合整数规划模型。 文献[19]构建了综合考虑需求侧资源及各类供应侧资源的新型机组组合模型。 文献[20]提出了基于尖峰负荷边际能耗的用户侧互动优化调度的互助式节能调度基本框架。
目前,国内外关于电力系统规划、调度运行等方面的研究主要集中在系统运行和资源优化组合方面,并未将供需双侧资源的协调可控作为重点研究对象。 针对以上研究空白,本文将首先构建用户需求侧响应模型,提出直接负荷控制策略和动态分时电价机制,其次构建包括风电、光伏发电等可再生能源发电在内的多类型发电资源出力模型,最后构建以成本、污染排放最小化为目标函数的“源-网-荷-储”协调优化调度模型,通过该模型实现电力系统的双侧协调配合,并提出相应的多目标粒子群优化算法进行求解,证明引入需求侧响应对实现电力系统“双侧可控”的优化作用。
1 需求侧响应建模
1.1 直接负荷控制策略
本文将主要采用直接负荷控制DLC(Direct Load Control)方法及动态分时电价来实现用户的需求侧响应过程,下面阐述DLC过程。
在日前,电网将公布用电高峰期的供电缺额,用户将向电网提交其每个小时负荷削减量及报价,用户的报价为阶梯状,如图1 所示。 Dimax是用户i的最大负荷削减量,每一级的削减负荷为Dki,有一个报价与之相对应,共n级,用户的实际负荷削减量为dki,按照等级划分其应当归属于第k级。 当用户负荷削减量为D0i时,电网调度机构向该用户支付p0iD0i元(削减量小于D0i时不付费);削减量为D0i≤dki≤D1i时,向该用户支付(dki- D0i)p1i+ p0iD0i元,依此类推。 电网调度机构将按照用户的报价及负荷削减量,从低到高选择DLC对象及其实际负荷削减量,DLC调用成本可以通过式(1)—(4)来表示。
其中,Dimin为用户i在时间段t所能提供的最小负荷削减量;Qd(i,t)为在时间段t内,用户i的总负荷削减量;Cd(i,t)为用户i削减负荷的支付额; pki为用户削减负荷报价;Dimax为用户i的最大负荷削减量。
在用电低谷期,用户的储能设备能够增加用电以起到填谷的作用;用电高峰时期,储能设备能够提供出力以满足用户用电需求。用户储能设备调用产生费用的计算方法与DLC成本的计算方法相同。电网将在日前公布储能设备调用需求,用户日前需向调度机构上报其储能设备的最大负荷增加值/出力,设为Rimax,并且其储能设备报价为阶梯状,电网调用用户储能设备及可控负荷的成本如式(5)所示。
其中,rki为调用用户储能设施所实际增加的负荷/ 出力; pki,r为每一阶梯上调用用户储能的支付额;Rki为每一阶梯上用户上报的储能用电功率/ 出力(小于R0i不支付);CR(i,t)为调用用户储能所带来的支出,为调用成本。
上述报价方法有一个突出的特点:在计算支付额时会重复叠加用户上一阶梯的负荷削减额,即随着用户实际负荷削减量(或储能设备调用)的增加,其在削峰填谷中每多转移1 MW负荷所获得的收益是递增的,这将提升用户根据系统运行需求调整负荷的积极性。
1.2 动态分时电价调整策略
除DLC策略外,本文还将提出一种动态分时电价调整策略,即在一定弹性范围内,分析电价变化对用户用电负荷变化的影响,以此为依据对每个小时的电价进行动态调整,以求达到相应的负荷变化量,并以此为依据进行负荷调控和系统调度。
电价变化会引起用户用电负荷变化,按照一般经济学理论,弹性越大,每单位电价变化所带来的用电负荷变化也就越大,但是要准确估计与测算这种变化量是非常困难的。 本文将引入鲁棒优化方法中用于刻画不确定性的方法来表述需求侧响应的不确定性,其目的不是为了能够准确估计这种变化量,而是根据不同时间段内用户用电负荷的弹性变化范围,计算和设置动态的分时电价,在一定程度上引导用户用电负荷变化,同时使后文的调度模型能够应对各种范围内的需求侧响应弹性不确定性。
首先,本文将借鉴文献[21]和[22]的方法来刻画需求侧响应弹性的不确定性。 对于需求侧响应弹性ei具有以下范围估计:
其中,em和en分别为ei的上限和下限。 事实上,根据中心极限定理可知ei取上限和下限的概率很小,因此可利用式(7)来表示需求侧响应的不确定性集合,并将表征系统不确定性的参数 ψ 引入:
其中,ez= 0.5 (en+ em);ej= 0.5 (em- en)。 式(7) 被称为“预算约束”,而 ψ 被称为不确定性的约束[22]。 ψ 取值越大,意味着表征需求侧响应弹性不确定性的集合 Π 取值范围扩大,模型的需求侧响应弹性范围扩大,本文的模型将考虑更为广阔的不确定性。
ψ 的取值范围可由以下几个公式计算而得。 此处设,且 φi的标准差和期望分别为 σ 和μ,则有:
其中,I为变量个数;N(0,1)为标准正态分布。 因此有:
式(9)以置信概率 α 成立,并可以规定 ψ 的取值范围为:
设电价发生变化 Δp,相应地会发生dj的用电需求变化。 但是在不同需求侧响应弹性的影响下,要产生dj的负荷变化,Δp的取值不同,根据一般经济学原理,则有:
其中,ei为用电弹性;p为原电价;Q为原用电负荷。根据可再生能源发电出力功率变化、火电调峰机组爬坡速率等数据,确定该时间段需要削减的负荷为dj。 式(11)经过变换,可得:
2 多类型电源发电出力建模
2.1 光伏发电出力模型
本文的光伏发电出力模型[23]如式(13)所示。
其中,QPV为光伏发电出力功率;L为太阳辐照度;M为受光面积;θ 为发电效率,其主要受到环境温度影响,计算公式如式(14)所示。
其中,θTEST为标准测试条件下的转化功率;Φ为功率温度系数;T为实际温度;TTEST为测试标准情况下的温度。
式(13)中的太阳辐照度L是随机性较强的因素,本文将利用贝塔分布函数来确定L的概率分布,如式(15)—(17)所示。
其中,Lmax为太阳辐照度的最大偏差值;μBeta和 σBeta分别为平均偏差值和标准偏差值。 则Qpv的概率密度函数为:
其中,QPVmax为光伏发电出力最大值。 则光伏发电出力的累积分布函数为:
2.2 风电出力模型
风电出力与风速直接相关,目前国内外普遍使用的风机出力测算公式[23,24,25,26]为:
其中,Qr为风机的额定功率;vc为切入风速;vr为额定风速;vf为切出风速。
风速v是随机性较强的因素,这里本文将利用韦伯分布来确定v的概率分布:
其中,φ 为尺度参数;π 为形状参数;V为v概率密度函数的具体表现形式。
根据式(20)与(21)可以得出风机出力的概率密度函数为:
因此可以求得风机出力的累积分布函数为:
2.3 储能设备充放电模型
储能设备的荷电状态SOC(State Of Charge)与充放电功率的关系式如下:
其中,SOCt为储能设备在时间段t的荷电状态;rki为储能设备的充电功率,充电时取值为正,放电取值为负;Smax为储能设备容量上限;κ 为储能设备充放电效率;λ 为表征储能设备是否启用的变量,其取值为1 和0,当风电、光伏发电出力骤降,而火电及备用机组在爬坡速率范围内无法满足负荷时,调度机构将调用储能设备出力来满足用电负荷,此时 λ 取值为1,若系统负荷过低而风电、光伏出力过高时,则调用储能设备充电帮助消纳,此时 λ 取值也为1;cf为储能设备的控制变量,该变量控制用户端储能设备的充放电行为,其具体取值见式(27)。
其中,Rmax为储能设备的额定功率;ms和ns为控制储能设备充放电的参数,根据以往文献研究,ms取20.52,ns取0.55[29];SOCmax为储能设备的最大荷电状态。
3 “源-网-荷-储”优化调度模型
3.1 目标函数
本文的优化调度模型将实现2 个目标:成本最低以及污染气体排放最少。 因此优化调度模型将有2 个目标函数:
其中,CFm、CFm,o分别为火电机组m的发电成本和运行成本;GFm为火电机组的发电量;GXu为旋转备用机组发电量;CXu和CXu,o分别为旋转备用机组的发电成本及运行成本;CgPV和CWf分别为光伏g和风机f的发电成本;GgPV和GWf分别为光伏和风电发电量。
其中,eCS、eCY、eCN分别为SO2、烟尘及氮氧化物的排放系数。
3.2 约束条件
(1)功率平衡约束条件:
其中,QFm、QXu、QgPV、QWf分别为火电机组、旋转备用机组、光伏发电机组、风电机组的出力功率;QLOSS为输配电功率损耗;Dtotal为系统总负荷。
(2)发电出力约束:
各类发电机组的发电出力不能超过其额定容量,也不能低于下限:
其中,ΔQF,t为火电机组的出力变化;ΔQX,t为旋转备用机组的出力变化;ρF,u、ρF,d和 ρX,u、 ρX,d分别为火电机组和旋转备用机组在单位时间内的最大上升、下降速率;Δt为这个时段所持续的时间。
条件(36)与(37)代表机组的出力变化需保持在其最大上升和下降速率之间。
需要重点说明的是,清洁能源发电出力随机性较强,在不弃风、不弃光的情况下,只能通过将大量灵活可控的发电机组引入系统中进行调峰,发挥两者之间的互补协调特性,才能实现发电侧出力的协调可控,再配合调用需求侧资源实现用户用电负荷的相对可控,从而实现双方相互适应、相互协调的过程。式(36)和(37)即为表示灵活发电机组出力上升、下降速率的约束条件,这个速率也是表征调峰机组灵活性的重要特征。
(3)储能出力与容量约束:
其中,SOCmin为储能设备的最小荷电状态;Rimax为储能设备i的额定功率;t为时间段;SOCt - 1为时间段t-1 的荷电状态;rik,t为储能设备i在时间段t的充放电功率;ti,t为储能设备i在时间段t的充放电时间。式(40)中rik ,t为负时,该条件为储能设备在时间段t内放电量小于上一阶段储存的电量;rik,t为正时,该条件为储能设备在时间段t内充电量约束条件。
(4)用户负荷削减量:
此外,除上述条件外,约束条件还包括表述需求侧响应弹性的约束条件:式(7)、(10)和(12)。
4 动态加权的多目标粒子群优化算法
4.1 算法概述
粒子群优化PSO(Particle Swarm Optimization)算法属于进化算法,是从随机解出发,通过迭代寻找最优解的一类算法。 本文的模型是一个多目标最优化问题,而传统的粒子群优化算法只能返回一个解,为了求解多目标优化问题,往往通过将每个目标函数加权成一个总目标函数,再用粒子群优化算法求解。
传统粒子群优化算法的流程本文不再赘述,本文所采用的动态加权的多目标粒子群优化算法是通过赋予每个优化目标函数权重 ωj( j = 1,2, … ,nj,nj为指标数目),将其聚合成一个总目标函数Ftotal,在每次迭代过程N中计算粒子xi的函数值:
由于本文的目标函数有2 个,权重 ωj(N) 的计算公式为:
粒子的速度更新公式为:
其中,vi,N为粒子xi本次迭代的速度;ε1与 ε2为0~1之间的随机数;Pbesti为该粒子目前最优位置;Gbest为全局最优位置;本文粒子群优化算法的控制参数为加速常数 φ1= φ2= 1;惯性常数 ζ(N)随着迭代在0~1之间线性递减,使整个算法的搜索空间随着迭代的进行而不断缩减。
粒子位置更新公式为:
通过上述方法不断变化目标函数权重,粒子群随着权重的变化在Pareto最优前沿上移动,通过这种计算方法,能够快速地将所有不可行的系统运行方案排除出可行域之外,从而加快收敛速度。
此外,本文还将在计算过程中引入存档机制,用于跟踪目前已找到的非支配解。 在多目标优化算法中,档案的主要用途是跟踪迄今为止找到的所有非支配解。 其使用方法与进化算法中的精英策略类似。 此外,为了维护找到的解,档案通常用于选择全局最优位置和个体最优位置。 在存档方法中,全局最优和个体最优非支配解分别称作全局向导和个体向导[25]。
引入存档机制后,能够保证Pareto最优解集的多样性,同时能够在吸引粒子向Pareto最优前沿移动的同时,提高算法的计算速度,具体计算过程如下。
首先进行参数编码,算法中每个粒子的维度就是控制变量的个数,即本文中各类电源的出力功率、负荷变化、储能设备出力等。
其中,xF为火电出力;xW为风电出力;xPV为光伏发电出力;xX为旋转备用机组出力;xQd为负荷变化;xR为储能设备出力。
其次,采用rand()命令进行种群初始化[28],但是要求初始化后的种群必须满足基本条件,如机组出力的上下限,储能设备出力满足出力上下限及容量要求等。
具体计算步骤如下:
a. 令迭代次数N = 0, 限定最大迭代次数, 完成种群Pt的随机初始化,根据各约束条件设置粒子的初始位置及初始速度;
b. 设个体极值为Xipb,个体极值的初始值为Xpbi-i,全局极值为Xigb,其初始值为Xgbi - i, 计算各粒子的适应度函数值,形成非支配解集;
c. 更新外部档案集并按照粒子的拥挤距离进行降序排列,删除超出规模的非支配解;
d. 通过迭代计算,求得粒子的速度和位置,并对现有粒子群进行更新,调整粒子的个体极值Xpbi-t;
e. 将新的非劣解加入到外部档案中, 形成新的外部档案ON,同时计算新的全局极值Xgbi-t;
f. 取N = N + 1,若已达到最大迭代次数, 则终止搜索,反之则返回步骤b。
需要重点说明的是,由于是多目标优化问题,粒子群优化算法求解所得结果为Pareto最优解集,在这若干个最优解中,本文选择系统运行成本最小的解为最优解。
4.2 性能测试
结合本文模型的特点,采用经典的ZDT-3 测试函数对算法性能进行测试。 测试问题如下:
测试结果如图2 所示。
从图中的测试结果可以看出,粒子群优化算法测算结果与真实的Pareto前端的距离较近,两者基本重合,因此本文的多目标粒子群优化算法在求解与测试函数相似的调度模型时性能较好。
5 算例分析
5.1 风电及光伏出力预测
本文将以华北某地区为例进行算例分析,该地区共有风电并网容量920 MW,光伏并网容量450 MW,根据该地区典型调度日的光照情况,取 θ 为19.5%,贝塔分布的参数a为5,b为2。 对该地区进行数据分析的基础上,24 h太阳辐照度均值及标准差见表1。
在风电方面,切入风速取3.3 m / s,额定风速取10 m / s,切出风速取15 m / s。 根据累积分布函数测算,典型调度日内,每兆瓦光伏和风电出力功率与累积分布之间的关系见图3。
运用风电及光伏出力预测模型进行日前发电出力预测,预测结果与实际输出功率见图4 及图5。
从预测结果可知,风电及光伏发电出力预测模型精度较高,最大误差不超过10%,可为日前调度提供较为准确的数据支撑。
5.2 调度模型算例分析
在本文所选地区内,火电容量共3200 MW,风电成本设为0.47 元/ (k W·h),光伏发电成本设定为0.88 元/ ( k W·h)。 根据2013 年五大发电集团的社会责任报告,eCS、eCY、eCN分别取1.44 g / ( k W·h)、0.22 g / (k W·h)和1.97 g / (k W·h),线损率取6.57 % 。QWmin、QPVmin、QXmin、Dimin以及Rimin均为0,QXmax为600 MW。该地区最大输配电容量能够满足供电需求,机组装机容量能够满足用电需求,因此忽略甩负荷情况。
系统机组数据见表2,表中 ρu、ρd分别为机组的上升和下降速率。
该地区内的储能设备主要为锂电池集装箱及铅酸蓄电池集装箱,2 类储能设备的具体指标见表3。从表3 中数据可以看出,2 类电池都能在20 ms内将出力从0 提升至最大功率,该响应速率能够保证系统安全稳定运行,同时不影响大部分用户用电。
5.2.1 需求侧资源可控性分析
下面将前文所述DLC方案和分时电价方案引入模型构建中。 该地区原分时电价表如表4 所示。
以原分时电价表和1.1 节中的DLC策略为基础,经过本文的调度模型计算,可得每个时间段内负荷变化量如图6 所示。
从图6 中可以看出,只依靠DLC和传统的分时电价机制,经过粒子群算法求解所得用户负荷变化量较为分散,即用户用电负荷变化的随机性较强。 这说明实施表1 分时电价机制的情况下,并不能准确估计由于电价变化而带来的负荷变化值,因此负荷的可控性也就较差。
根据国内外相关研究及本地区历史负荷特性,本文将用户的用电需求弹性范围定为0.04 ≤ ei≤0.1,因此 ψ 取值为6,弹性范围较大,用户需求侧响应的不确定性也较高。 经过模型计算设计相应的动态分时电价调整策略,一个典型调度日内的分时电价见图7。
以动态分时电价策略和DLC策略为基础,经过本文的调度模型计算,可得每个时间段的负荷变化量如图8 所示。
从图8 可以看出,在本文的DLC策略与动态分时电价策略影响下,与图6 相比,负荷削减量的收敛性良好,随机性显著降低,这也证明动态分时电价策略能够根据用户的用电弹性范围调整电价,将用户的负荷变化量控制在一定的预期范围内,较为准确地预估由于电价变化带来的负荷变化,从而实现用电负荷的相对可控。
同时,各时间段负荷削减量及其平均支付额如表5 所示。
5.2.2 系统调度算例分析
采用本文提出的调度模型及调度算法,运用MATLAB软件进行测算可得,在未调用需求侧资源的情况下,负荷曲线及各类型机组出力如图9 所示。
从图9 中可以看出,风电及光伏具有明显的反负荷调节特性,这使得火电机组频繁改变出力,并需要调用备用机组,这将增加系统的运行成本,也不利于系统的安全稳定运行。
利用本文构建的模型,在考虑需求侧资源调用、储能设备调用的情况下,通过多目标粒子群算法求解,各时间段机组出力优化结果见图10。 从图中可以看出,优化结果收敛到最优折面上,从这个优化结果折面的特征来看,通过用户侧的负荷调控及火电、风电、光伏发电机组的协调互补,火电机组并未进行深度调峰的情况下能够满足各时间段的用电负荷。
根据模型计算,调用需求侧资源情况下的机组出力及负荷如图11 所示,风电及光伏发电的反负荷调节特性改善情况如图12 所示。
从调用需求侧资源情况下的各机组发电出力及总负荷情况来看,在实施DLC及动态分时电价调整策略的情况下,风电及光伏出力的反负荷调节特性显著改善,15:00 — 18:00 的风电出力高峰期也是用电负荷高峰期,风电的反负荷调节特性显著降低,10:00 — 14:00 的光伏发电出力高峰期也不再与负荷低谷期相对应,在这种情况下,火电及备用出力相对平稳,提高了系统的安全稳定性。
由于与火电及备用机组相比,储能设备发电量较小,在图11 与图12 中单独列示并不明显,因此储能设备充放电情况见图13,调用储能设备的支付额见图14。
从图13 及图14 可以看出,储能设备能够在较小的范围内进行充放电来协调光伏发电以及风电出力不足。 但是由于其调用成本较高,因此可调控范围较小,无法达到与动态分时电价相同的效果,目前尚不能完全替代调峰机组的作用,但是可用于补充协调光伏及风电的出力波动。 储能具有响应速度快、灵活性高、可控性好等优点,能够在短时间内迅速满足用电负荷,因此待储能设备成本降低后,将是未来应对系统双侧随机问题的重点发展方向。
5.2.3 成本分析
2 种情况下系统总成本对比见表6,气体排放量见表7。
元
从2 种情况下的系统运行总成本对比可以看出,调用需求侧资源时,系统总成本降低4 396.09元,无论是系统成本还是污染排放,调用需求侧资源都要明显优于未调用需求侧资源。
综上所述,本文所构建的动态分时电价调整策略和DLC策略能够提高用户用电负荷的可控性,通过调整电价和削减负荷能够将用户的负荷降低或提高到预期水平;另一方面通过调峰机组、风电、光伏发电之间的协调配合,实现供需双侧资源的协调可控,降低了系统运行成本和污染排放,提高了系统的安全可靠性。
6 结论
风电、光伏等可再生能源发电的反负荷调节特性是造成当前可再生能源发电并网消纳难题的重要原因。 本文通过DLC、分时电价等手段,将需求侧视为与供应侧相等价的资源,实现用电负荷的相对可控。 同时构建了“源-网-荷-储”协调优化调度模型,通过相对可控的发电出力来满足用户的用电需求,从而实现供需双侧协调可控。
通过算例分析结果证明,在调度需求侧资源的情况下,本文的“源-网-荷-储”优化协调调度模型能够有效降低系统总成本,提高系统运行的安全稳定性,达到了预期效果。 后续研究应集中在需求侧资源的优化组合利用及在线调度系统研发方面,同时还需要将博弈论、宏观经济学引入模型构建中,重点研究和分析动态分时电价策略下用户用电成本效益以及全社会成本效益。
摘要：提出通过提高需求侧和供应侧资源的协调可控性来应对当前电力系统双侧随机问题的新思路,在此基础上设计需求侧响应模型、储能设备充放电模型、风电及光伏发电出力预测模型,并构建以系统成本及污染排放最小化为目标函数的“源-网-荷-储”优化调度模型及相应的多目标粒子群优化算法。通过算例分析比较有无需求侧资源情况下的系统成本和污染排放,验证了所提模型和算法的科学性与合理性,以及需求侧资源在提高系统稳定性、节能减排方面的重要作用。
协调调度模型 篇3
2004年以来房价快速上涨引发国内学者对房价上涨原因分析的研究热潮, 其中地价过快上涨推高房价论点为广大学界人士及普通民众所接受。然而国土资源部2009年对全国105个地价动态监测城市620个项目开展的“房地产项目用地地价专项调查”显示:620个项目地价房价比平均为23.2%, 356个项目比例在15%～30%, 比例在30%以下的约占总数的78%。东部地区共有项目316个, 地价房价比平均为27%, 地价房价比高于全国平均水平;中部和西部地区共有项目分别为158个和146个, 地价房价比平均值分别为21%和18%, 均低于全国平均水平。地价上涨最快的一线城市北京、上海、广州和深圳地价房价比分别为26.8%, 26.7%, 33.2%和34.4% (1) , 虽高于全国最高水平, 但是从国际经验来看此比值也在合理范围之内。地价房价比为判断住房市场与土地市场的协调状况、分析地价占房价比重的合理性从而为改善宏观调控政策提供了有效依据。但是全国甚至是一线城市房价与地价处于协调状态, 二者比重合理的调查结论为普通民众所不能接受。为此很多学者指出该指标具有如下缺陷:一、地价房价比仅涉及地价与房价两个指标, 地价与房价不能充分反映土地市场与住房市场整体状况。二、由于房地产开发两到三年的周期导致地价房价比存在时差, 历史地价与当期房价的比值必然会人为缩小其比值。鉴于以上地价房价比评价住房市场与土地市场协调性不可避免的缺陷, 笔者首次将耦合协调度模型引入以更为客观全面地评价二者协调性。耦合协调度衡量的两系统 (住房市场与土地市场) 涉及指标多且较为全面, 且住房市场与土地市场均为同期两系统的协调性衡量, 由此规避了地价房价比缺陷。
2 住房市场与土地市场耦合协调度模型介绍
2.1 住房市场与土地市场耦合协调度模型表达式
借鉴物理学中的容量耦合概念及容量耦合系数模型, 可以直接得到住房市场与土地市场的耦合度函数 (2) , 表示为:
C={ (X×Y) / (X/2+Y/2) 2}1/2 (1)
耦合度对判别住房市场与土地市场耦合作用的强度具有重要意义, 然而它只能说明两个系统间相互作用程度的强弱, 无法反映协调发展水平的高低, 如当两个系统发展水平都较低时, 同样也可以得到两个系统协调度较高的结果。因此借鉴已有学者的研究成果, 构建一个能够客观反映住房市场与土地市场协调发展水平的耦合协调度模型, 以评价不同城市不同年份住房市场与土地市场交互耦合的协调程度, 其计算公式如下:
D= (C×T) 1/2, T=αX+βY (α=β=0.5) (2)
式中:C为耦合度;D为耦合协调度, 取值范围为0≤D≤1;T为住房市场与土地市场综合评价指数。D的取值范围与协调度类型如下:D<0.2, 极不协调;0.2≤D<0.4, 不协调;0.4≤D<0.5, 不太协调;0.5≤D<0.6, 基本协调;当0.6≤D<0.8, 比较协调;0.8≤D≤1, 高度协调。
2.2 住房市场与土地市场指标体系说明
(1) 指标体系结构表。
本着指标选取的综合全面性、重要性以及数据的可获得性等原则本文选取住房市场与土地市场指标如表下1所示。
(2) 指标数据来源。
2001—2009年全国及35个大中城市八大指标数据来源分别如下:土地供给结构指标中城市居住用地面积和城市建设用地面积均来源于《中国城市建设统计年鉴》, 居住用地价格来源于中国城市地价动态监测系统, 房地产开发本年土地购置面积及其他指标均来源于相关年份《中国统计年鉴》。住房市场中人均居住面积来源于《中国城市年鉴》, 其余四大指标数据来源于相关年份《中国房地产统计年鉴》。
2.3 住房市场与土地市场耦合协调度计算步骤
(1) 原始数据标准化 (极值变换法) 。
本文采取极值变换法对住房市场与土地市场指标原始数据进行无量纲化处理, 同时也满足了耦合协调度对数据非负化的要求。极值变化法非负化原始数据公式为:
xij′= (xij-xijmin) / (xijmax-xijmin) +0.01 (3)
式中xij为i地区第j项指标原始数值, xij′为原始数据标准化数值, xijmin和xijmax分别表示选取年份指标最小值和最大值。
(2) 指标权重赋予 (熵值赋权法) 。
作为客观赋权法中重要的一种熵值赋权法避免了主观因素带来的偏差, 不掺杂评价者的主观期望。根据熵值赋权法计算步骤及公式, 本文选取全国及35个大中城市八大指标2001—2009年数据计算得出土地市场三大指标与住房市场五大指标权重如表2所示。
(3) 住房市场与土地市场综合指数的计算。
土地市场综合水平指数和住房市场水平综合水平指数计算公式为:
Xi=ai1×xi1′+ai2×xi2′+…+aim×xim′ (4)
Yi=bi1×yi1′+bi2×yi2′+…+bin×yin′ (5)
式中, X、Y 分别为i地区市土地市场综合水平指数和住房市场综合水平指数, m、n 分别为i地区土地市场和住房市场下属指标数目, aim、bin 分别为i地区土地市场和住房市场下属具体指标权重, xi1′…xim′、yi1′…yin′分别为i地区土地市场和住房市场指标原始数据通过极值变化法标准化数值。最后将各地区住房市场与土地市场综合指数X和Y代入式 (1) 和式 (2) 计算得出各地区各年份耦合协调度并判断其协调类型。
3 基于耦合协调度对住房市场与土地市场协调性的考察
3.1 全国住房市场与土地市场耦合协调度
根据耦合协调度计算公式及评价步骤, 计算得出全国住房市场与土地市场耦合协调度如表3所示。虽然耦合协调度较好地反映了二者协调状况, 但是住房市场与土地市场各自发展状态如何却反映不出来, 因此笔者在这里结合标准差法标准化原始数据的方法, 即xij′= (xij-xij平均) /δ, yij′= (yij-yij平均) /γ, 其中xij、yij为i地区土地市场与住房市场第j项指标原始数据, xij平均、yij平均为第j项指标2001—2009年平均值。采用各项指标标准
化数值与权重乘积之和算出土地市场与住房市场综合指数分别为X和Y, 从二者综合指数的正、负来判断发展水平的趋前与滞后, 这样能更好地分析出二者各自的发展状态。
从上表数据可以看出, 2001—2009年全国住房市场与土地市场协调状况良好, 且遵循了基本协调→比较协调→高度协调的路径, 协调性越来越好。2004年及之前年份住房市场发展落后于土地市场, 土地市场先于住房市场发展为后者提供了有效支撑作用, 带动了2004年起始的住房市场快速发展。随着住房市场的快速发展二者逐渐达到协调状态, 2008年达到高度协调。全国住房市场与土地市场协调状况趋好的态势通过下图可以更为直观地显示出来。
3.2 一线城市住房市场与土地市场耦合协调度
从计算出来的35个大中城市耦合协调度来看, 住房市场与土地市场协调状况趋势与全国基本相同 (故限于篇幅本文不再对所有35个大中城市耦合协调度进行分析) , 东北部地区耦合协调度状况最好, 中西部地区次之, 一线城市耦合协调度也趋势好转, 但是仍然低于全国水平。现仅就一线城市状况进行分析 (如表4所示) , 其他城市协调度变化趋势可参考全国趋势图。
将一线城市耦合协调度与全国耦合协调度比较可以看出, 一线城市耦合协调度趋势不如全国逐年递增那么明显, 一线城市波动性比较大。2008年一线城市受经济危机波动影响最为突出:与全国趋势相反北京和上海土地市场与住房市场都受到严重冲击, 二者协调状态转为非协调状态, 广州和上海亦由比较协调状态转变为基本协调状态。由此可见, 一线城市等热点城市受经济波动影响较为突出。经济危机之后2009年四个城市土地市场与住房市场迅速转好二者协调性也随之转好。总体看来, 一线城市及其他35个大中城市住房市场与土地市场协调性良好。
3.3 模型分析结果评析
模型分析结果显示中国以及35个大中城市住房市场与土地市场协调性良好, 这与国土资源部公布的地价房价比显示结果一致, 两模型分析结果与普通民众主观感知或预期 (地价过快上涨推高房价) 不符。导致民众认为土地市场非健康发展且与住房市场不协调的认知主要在于土地市场与住房市场仍然存在诸多不协调的问题。
(1) 房地产调控不力, 开发商房价上涨预期推高地价。
中国房价上涨的原因除了供求原理的作用外, 房地产开发商对房价上涨的预期是导致地价上涨的重要原因。住房具有商品属性的同时也是生活必需品, 因此住房市场化的同时也离不开中央宏观调控政策对居民住房基本需求的保障。2004年以来房价快速上涨加大了中央宏观调控政策力度与强度, 但是政策经常变化, 房地产开发商预期政府宏观调控不会长久从而依循原有市场行为路径, 调控长期成为“空调”。因此短期化的调控政策是房地产开发商预期房价上涨从而推动地价上涨的主要原因, 并非地价上涨推高房价。
(2) 招拍挂制度导致地王频现, “囤地”、“捂地”坐等土地升值。
招拍挂的土地出让制度促进了土地市场化并与住房市场化相辅相成推动了中国房地产市场发展。但是现有土地出让制度存在诸多缺陷:一是以价高者得为竞标原则, 导致住房市场供求结构矛盾。出价最高的房地产开发商为了谋求利润往往注重开发别墅、高档公寓等高档住房, 而广大消费者需求的小户型、小面积住房稀缺。二是单纯以购地坐等土地升值为目的, 利用地王地块地理位置等方面的稀缺性推高了社会整体对地价过高的感知。土地出让制度对房地产开发商囤地、捂地缺乏强制有效的规范, 导致开发商投机心理拉长开发周期, 并非当初土地出让价格过高。
(3) 财税制度不合理, 地方政府过于依赖土地财政。
1994年的分税制改革提高了中央政府财力但同时也导致中央与地方财权与事权相分离, 地方政府财源有限。作为地方政府财源的土地出让金成为其扩大财力的重要渠道。地方政府土地财政绝对量的增加是土地市场化改革的必然, 但土地财政占地方财政收入比重的上升则在于地方政府财源有限。
4 住房市场与土地市场协调发展的房地产宏观调控政策建议
正如国土资源部地价房价比和本文耦合协调度模型分析结果显示:中国住房市场与土地市场协调性整体良好, 但是抑制二者协调发展的问题依然存在, 根据这些问题本文提出以下政策建议。
4.1 调控由短期政策向长期制度转变, 有效转变市场主体预期
房地产宏观调控手段主要有行政手段和经济手段, 行政手段和经济手段的有效结合才能推动房地产市场健康发展。2010—2011年房地产调控逐步升级, 行政手段“限购令”、“限价令”调控效果初显需要推进这些行政措施的短期化, 这样才能从根本上发挥其有效抑制投资投机性需求的作用;经济手段中的差别化信贷政策、货币政策更有必要也有可能去短期化, 加大对普通自主性消费需求的支持;同时保障性住房要制定长期规划, 保障中低收入阶层基本住房需求。通过以上房地产调控措施的去短期化, 市场主体包括地方政府、房地产开发商以及购房者房价持续上涨预期才能得到有效扭转, 从而改变目前市场主体特别是房地产开发商房价上涨预期对低价的推动作用。
4.2 完善土地出让制度及土地增值税征管制度, 促进土地供给结构合理化
土地出让制度要改变招拍挂中以价高者得的原则, 制定竞标的综合性标准, 配以房价、户型、面积等综合指标进行考察, 解决住房供求结构矛盾;同时制订并公布土地中长期供应计划, 提高中小户型、中低价位等普通商品房建设用地比例, 控制高档住房用地供应, 促进土地供给结构的合理化;同时完善土地增值税征收制度, 扩大增值税征收范围并做好土地增值税专项评估, 同时加强对房地产开发经营过程监控, 以挤占开发商坐等土地升值的赢利空间, 有效打击“囤地”、“捂地”行为。
4.3 完善现有财税体制, 扩大地方政府财源减轻其对土地财政过于依赖
地方政府对土地财政严重依赖的根本原因在于现有财税体制下地方政府财源有限与其事权不相匹配, 推进财税体制的改革是减轻地方政府土地财政依赖促进住房市场与土地市场进一步协调的重要举措。在此特别提出房产税作为一种房地产宏观调控措施目前在上海与重庆两地已试点征收, 要在两试点经验总结基础上准确对房产税进行功能定位, 制定房产税推广规划促进房产税抑制投资投机性需求的同时扩大地方政府财源。
摘要：地价房价比是评价住房市场与土地市场协调性的重要指标, 但是其具有指标单一与地价房价“时差”性两大缺陷, 为众多学者及民众所质疑。在此背景下笔者将耦合协调度模型首次引入评价住房市场与土地市场协调发展状况, 计算结果与地价房价比结果一致, 都显示中国住房市场与土地市场协调性良好。笔者据此分析出导致模型结果与普通民众预期不一致的问题所在, 并提出房地产市场宏观调控政策建议以促进二者进一步协调发展。
关键词：住房市场,土地市场,协调性,耦合协调度
参考文献
[2]刘耀彬.中国区域城市化与生态环境耦合的关联分析[J].地理学报, 2005 (2) :237-247.
刘耀彬.城市化与生态环境耦合机制及调控研究[M].北京:经济科学出版社, 2007:153-156.
[1]况伟大.房价与地价关系研究:模型及中国数据检验[J].财贸经济, 2005 (11) .
[2]李珍贵.房价与地价——争议、评析及实证研究[J].中国土地, 2005 (8) .
[3]刘琳, 刘洪玉.地价与房价关系的经济学分析[J].数量经济技术经济研究, 2003 (7) .
[4]温修春, 吴阳香.对房价与地价关系之争的思考——基于两种土地产品的比较分析[J].特区经济, 2005 (10) .
[5]严金海.中国的房价与地价:理论、实证和政策分析[J].数量经济技术经济研究, 2006 (1) .
[6]叶晓东.城市地价与房价关系[D].杭州:浙江大学, 2007.
节能发电调度协调理论及应用 篇4
为实现节能减排目标,引导电源结构向高效率、低污染方向发展,2007年8月,国家发展和改革委员会等部门提出了《节能发电调度办法(试行)》(以下简称《办法》),要求改革现行发电调度方式,开展节能发电调度[1,2,3,4,5,6]。
实施节能发电调度是一项涉及面广且复杂的系统工程,因此,节能发电调度在相关方面的协调模式及运作机制,是需要重点研究的内容之一。文献[1]建立了兼顾安全与经济的电力系统优化调度协调理论,文献[2]提出了基于时间尺度的节能发电调度协调模型及算法。
本文在文献[1-2]的基础上,为调度协调理论赋予了节能减排的新内涵,并进行了扩展。阐述了节能发电调度协调理论的整体架构,在空间尺度与时间尺度上,提出了4种国家、区域、省3级节能发电调度的协调调度交易机制及模型,并进行了比较分析。在电力生产环节,提出了促进全社会节能减排的理念。在经济补偿机制及区域经济协调发展环节,提出了“节能发电调度跨省跨区协调模型”,需要考虑跨省跨区资源优化配置与公平配置的有效协调,实现节能减排的帕累托改进。
1 节能发电调度协调理论的整体架构
节能发电调度需主要考虑9方面的协调问题。
a.在空间尺度上的协调。在空间尺度上,节能发电调度要考虑国家、区域、省(跨区、跨省及省内)3级节能发电调度计划在各时间尺度上的相互优化协调。
b.在时间尺度上的协调。在时间尺度上,节能发电调度需要考虑年度、季度、月度机组发电组合基础方案、日前、滚动、实时平衡节能发电调度和偏差及电网阻塞在线校正控制之间在空间尺度上的相互优化协调。
c.在电力生产环节上的协调。电力生产环节一般包括发电、输配电、零售及用户等连续性环节。节能发电调度需要考虑在电力生产环节上的节能减排及优化协调。
d.在优化目标上的协调。节能发电调度的目标通常包括节能减排型目标和安全稳定运行及连续可靠供电的安全型目标,在优化目标上的协调,研究的是如何协调安全和节能减排双重目标、如何实现安全约束下的节能减排社会效益最大化的问题。
e.与电网安全稳定控制策略的协调。在时间尺度和空间尺度上,国家、区域、省3级的年度、季度、月度机组发电组合基础方案、日前、滚动、实时平衡节能发电调度和偏差及电网阻塞在线校正控制[7,8,9,10,11,12,13,14],需要考虑与其相适应的电网安全稳定控制策略进行协调。
f.在有功与无功控制对象上的协调。节能发电调度需要协调有功优化出力和无功优化出力的关系,以满足安全运行条件下的节能减排效益最大化。
g.与“三公”调度的协调。节能发电调度需要考虑与公开、公平、公正的“三公”调度的协调。
h.节能发电调度跨省跨区协调模型与经济补偿机制的协调。不同的节能发电调度跨省跨区协调模型,对应不同的经济补偿机制及结算模式。节能发电调度跨省跨区协调模型需要考虑与经济补偿机制的协调。
i.节能发电调度跨省跨区协调模型与区域经济发展的协调。节能发电调度跨省跨区协调模型,需要考虑与各区域各省经济发展的协调。
限于篇幅,本文主要讨论节能发电调度在时间尺度、空间尺度、电力生产环节、经济补偿机制、区域经济协调发展等方面的协调机制及协调模型,并略去数学模型的描述。至于节能发电调度在电网安全稳定控制策略、有功和无功控制、优化目标、“三公”调度等方面的协调,参见文献[1]。
为简化叙述,本文将国家、区域、省级电力调度中心和电力交易中心的功能合并在一起进行论述,并分别简称为国调、区域调和省调,把年度、季度、月度机组发电组合基础方案也称作年度、季度、月度节能发电调度计划或节能发电调度。把国家、区域、省3级节能发电调度简称为3级节能发电调度。
2 节能发电调度在时间尺度上的协调
节能发电调度在时间尺度上的协调及安全校正机制如图1所示。
年度、季度、月度机组发电组合基础方案的编制原则应该与日前、滚动、实时平衡节能发电调度的编制原则相一致。节能发电调度在时间尺度上的协调模型与算法,详见文献[2]。
3 节能发电调度在空间尺度上的协调
节能发电调度在空间尺度上主要有以下4种协调模型(依次简称为协调模型Ⅰ、Ⅱ、Ⅲ、Ⅳ):能耗省内排序、区域内优化、区域间协调;省内能耗排序、区域内及区域间按照各省边际供电综合能耗优化协调;省内能耗排序、高效节能环保机组参与的跨省跨区竞争发电;兼顾协调模型Ⅱ与协调模型Ⅲ。
3.1 在空间尺度上的协调模型Ⅰ
3.1.1 协调模型Ⅰ的主要思路
协调模型Ⅰ要求,在保证电网安全稳定运行及连续可靠供电的前提下,分省按照机组能耗进行排序(其中,对于非供热的燃煤火力发电机组按照供电煤耗等微增率的原则分配发电负荷),然后按照边际能耗的不同,区域内进行优化、区域间进行协调,边际能耗低的省的电能流向边际能耗高的省,也就是对各省边际机组(被调用的最后一台发电机组)考虑网损因素后的供电煤耗(简称边际供电煤耗)进行比较,对边际供电煤耗较高的省依次调整安排停机,对边际供电煤耗较低的省依次调整安排启机,直至各省的边际供电煤耗趋同,或跨省跨区输电联络线达到输送容量的极限,形成跨省跨区联络线交换电量计划。各省电力调度交易机构,根据跨省跨区联络线交换电量计划以及省内电力需求,按照《办法》要求,确定机组节能发电调度计划。这种操作方式是以各省边际供电煤耗趋同为目标,进行省间、区域间电能交换,统一以能耗为标准排序;省内电力电量即使平衡,边际能耗高的省也要接受边际能耗低的省的电能。
3.1.2 协调模型Ⅰ的协调调度方法
各省调在各时间级(年度、季度、月度、日,下同)首先进行省内电力电量平衡(节能发电调度计划预安排)。在考虑上一时间级的机组节能发电调度计划的基础上,根据当前时间级的省内电力供需状况、电网安全约束条件、机组发电排序表等,进行当前时间级的省内节能发电调度计划预安排;同时,为下一时间级节能发电调度预留一定的调度控制空间,这样,在考虑主要不确定性因素的基础上,使当前时间级优化调度与下一时间级优化调度之间就能够自然衔接,确保节能发电调度的调度流畅性,最大限度实现节能减排目标。各省调在规定的时间内向区域调申报该时间级节能发电调度计划预安排等。
区域调在区域内各省节能发电调度计划预安排的基础上,依据本区域内各省机组排序表、各机组申报的可调发电能力、区域直接调度电厂的能耗,综合考虑跨省输电联络线的输电能力和网损及上一时间级跨区跨省节能调度计划、同时为下一时间级优化调度预留一定的调度控制空间,进行优化调度预决策,直至区域中各省的边际供电煤耗趋同,或跨省输电联络线达到输送容量的极限,形成省间联络线电能交换计划预安排,向国调申报。
国调根据各区域调申报的区域内省间联络线电能交换计划预安排、国调直接调度电厂的能耗,综合考虑跨区域联络线输电能力约束及上一时间级跨区域调度计划,按照跨区边际能耗的不同,区域间进行协调决策,形成当前时间级的跨区域电能交换计划(跨区域购售电节能发电调度计划),同时为下一时间级优化调度预留一定的调度控制空间。
区域调根据国调制定的当前时间级跨区域电能交换计划、区域直接调度电厂的能耗,在考虑上一时间级区域内节能发电调度计划及跨省电能交换计划、同时为下一时间级优化调度预留一定的调度控制空间的基础上,进行区域优化决策,形成当前时间级区域内节能发电调度计划及跨省电能交换计划(跨省购售电节能发电调度计划)。
省调根据区域调制定的当前时间级跨省电能交换计划,在考虑上一时间级机组节能发电调度计划、同时为下一时间级优化调度预留一定的调度控制空间的基础上,相应调整(修正)机组节能发电调度计划预安排,形成当前时间级的机组节能发电调度计划。
上述采用“自下而上预决策及申报、自上而下决策、整体优化(全国优化),多级多类优化协调、逐级逐类细化”的协调机制,考虑了3级节能发电调度在当前时间级之间的相互协调,以及当前时间级的3级节能发电调度与上一时间级、下一时间级的相互优化协调。上述协调模型,有利于打破省间、区域间壁垒,能够实现资源在全国范围内的优化配置。在空间尺度及时间尺度上的节能发电调度协调,如图2所示。
3.2 在空间尺度上的协调模型Ⅱ
3.2.1 协调模型Ⅱ的主要思路
协调模型Ⅱ要求,在保证电网安全稳定运行及连续可靠供电的前提下,省内按照能耗排序、区域内按照各省边际供电综合能耗(即考虑电煤运输费、电煤运输损耗、网损等因素后的供电煤耗)优化、区域间按照各省边际供电综合能耗协调。也就是对各省边际供电综合能耗进行优化协调,直至各省的边际供电综合能耗趋同,或跨省跨区输电联络线达到输送容量的极限,形成跨省跨区联络线电能交换计划。各省电力调度交易机构,根据跨省跨区联络线电能交换计划以及省内电力需求,按照《办法》要求,确定机组节能发电调度计划。
协调模型Ⅱ的协调调度方法与协调模型Ⅰ的不同之处在于区域内按照各省边际供电综合能耗优化、区域间按照各区域(各省)边际供电综合能耗协调,其他相同。
3.2.2 考虑输电线损、能耗、电煤运输费及运输损耗(边际供电综合能耗)的跨省跨区输电边界条件
为简化分析,仅考虑省内机组向外送电的跨省跨区输电线损。
假设有i、j 2省,i省的平均供电煤耗率为fi,j省的平均供电煤耗率为fj,i、j 2省之间的输电线损率为Kij。机组电煤运输费及运输损耗折合成电煤。在i省,每发1度电,其平均供电煤耗率相对fi增加Fi,即每发1度电,i省考虑电煤运输费及运输损耗的平均供电煤耗为Ai=fi+Fi。在j省,每发1度电,其平均供电煤耗率相对fj增加Fj,即每发1度电,j省考虑电煤运输费,以及运输损耗的平均供电煤耗为Aj=fj+Fj。
假设fi>fj,且Fi>Fj(i省距离煤炭基地较远,j省距离煤炭基地较近),那么,Ai>Aj。在我国,跨省跨区输电,一般情况下,即使fi<fj,但Fi垌Fj,也可能Ai>Aj,否则,会出现煤电倒流。从降低能耗的角度,可能由j省机组替代i省机组发电(j省向i省送电)。假设j省向i省送电电量为Wi,考虑跨省跨区输电网损电量,j省的实际外送电量应为Wj=Wi/(1-Kij)。
如果不进行跨省跨区替代发电(j省向i省送电),即由i省自己的机组发电,则电量Wi的综合煤耗量为Bi=Ai×Wi;如果进行跨省跨区替代发电,即由j省向i省送电,考虑到跨省区输电损耗因素,j省电量Wj的综合煤耗量应为Bj=Aj×Wj=Aj×Wi/(1-Kij)。因此,跨省跨区替代发电(j省向i省送电)实现全系统供电煤耗降低的必要条件是Bj<Bi,即Aj/(1-Kij)<Ai,整理可得Kij<(fi+Fi-fj-Fj)/(fi+Fi)。Kij<(fi+Fi-fjFj)/(fi+Fi)是开展跨省跨区j省向i省送电的边界条件。
考虑输电线损、能耗、电煤运输费及运输损耗的跨省跨区输电,一般不会出现电能流向与一次能源流向相反的情况(煤电倒流)。
3.3 在空间尺度上的协调模型Ⅲ
协调模型Ⅲ要求,在保证电网安全稳定运行及连续可靠供电的前提下,利用市场机制,考虑综合能耗折算、省内电力电量平衡情况,优先安排(确定)跨省跨区交换电量(在省内高效节能环保机组自愿的前提下,省级电力公司以委托代理的方式组织高效节能环保机组,参与国家或区域调度交易);然后根据跨省跨区交换电量和省内电力需求,按照发电排序表,安排机组节能发电调度电量。
即:跨省跨区建立基于能耗、排放标准的市场准入机制,根据跨省跨区的市场需求,按照双边/多边协商或集中撮合或挂牌进行跨省跨区交易,省内按照发电排序表发电。在节能调度中,应保证跨省跨区电量优先落实的原则。
协调模型Ⅲ的协调调度方法,与文献[1]中的协调调度方法类似。
3.4 在空间尺度上的协调模型Ⅳ
协调模型Ⅳ要求,在保证电网安全稳定运行及连续可靠供电的前提下,首先以月度机组基本利用小时(基本电量、发电利用小时低限标准、低限标准电量)为基础,根据预计的机组省内节能发电调度电量,在省内开展月度发电权交易,促使电量向高效节能环保机组转移;然后根据各省的剩余发电能力及电力需求(电力电量平衡情况),开展高效节能环保机组参加的月度跨省跨区交易;在日前调度及实时调度中,按照协调模型Ⅱ开展节能调度,在满足跨省跨区输电容量约束的前提下,实现各省电力电量供需平衡和跨省跨区边际供电综合能耗(或跨省跨区边际价格)趋同。对在日前节能调度及实时节能调度中的差异电量,根据差异电量的来源确定其结算价格。协调模型Ⅳ的协调调度方法如下:
a.政府有关部门结合当地实际情况,安排所有并网机组的月度基本电量(发电利用小时低限标准、低限标准电量)[3,4];
b.每月下旬,根据省内月度电力需求,确定下一月度预计的机组省内节能发电调度电量;
c.按照省内节能发电调度电量与月度基本电量的偏差,少发电机组[3,4](也称作发电权出让机组)与多发电机组[3,4](也称作发电权受让机组)之间,开展省内次月发电权交易;
d.根据各省的剩余发电能力及电力需求,开展次月的跨省跨区电能交易,形成跨省跨区联络线月度电能交换计划;
e.根据省内电力需求、跨省跨区联络线月度电能交换计划等,预计下一月度的机组节能发电调度电量;
f.在日前调度及实时调度中,按照协调模型Ⅱ执行,开展节能调度。
跨省跨区交易采用基于能耗、污染物排放的市场准入机制。按照自愿的原则,利用在省内发电权交易中,发电权受让机组申报的报价(或跨省跨区外送电交易单独报价),参与跨省跨区售电。购电方为各省电力公司,购电省的外购电量分为2部分:一是该省缺电,省电力公司向省外购电,二是根据本省的节能减排的总体目标,省电力公司代表还有发电量指标[5](补偿电量)的高能耗小火电机组,向省外出售发电权,进行跨省跨区发电权交易,实现节能减排。跨省跨区交易结果经过安全校核后,形成跨省跨区联络线月度电能交换计划。
协调模型Ⅳ的详细运作机制、经济补偿机制及结算模式,见文献[4]中的模式10。
3.5 协调模型Ⅰ~Ⅳ的比较分析
协调模型Ⅰ、Ⅱ、Ⅲ按照“自下而上预决策及申报、自上而下决策”的原则,首先形成跨省跨区联络线电能交换计划(协调模型Ⅰ根据各省边际供电能耗进行协调确定,协调模型Ⅱ根据各省边际供电综合能耗进行协调确定,协调模型Ⅲ按照跨省跨区的电力需求、利用市场机制确定),确保跨省跨区电量优先落实,然后再确定机组节能发电调度电量。协调模型Ⅳ首先根据省内电力需求,确定机组在省内的节能发电调度电量,然后根据各省的剩余发电能力及电力需求,确定跨省跨区联络线电能交换计划;最后按照节能发电调度的发电序位表,组织日前和实时节能发电调度,促使发电量由高能耗机组向低能耗机组的转移(按照边际供电综合能耗进行发电权强行转移)。协调模型Ⅳ可以进行跨省跨区的高耗能小火电机组与高效节能环保机组的发电权交易,进一步实现节能减排。
协调模型Ⅰ仅要求根据能耗排序确定发电量,没有考虑跨省跨区电煤运输费用及不同省份发电成本的差异,按照协调模型Ⅰ,部分负荷集中地区的发电机组煤耗低于煤炭基地的发电机组煤耗,导致电能流向与一次能源流向相反的情况(煤电倒流)出现,从而降低电力资源优化配置的水平;协调模型Ⅰ也不能以价格信号合理地引导电源的投资。协调模型Ⅱ、Ⅲ则可以规避上述问题,协调模型Ⅱ、Ⅲ能够体现跨省跨区经营管理成本、煤炭的运输费用等各种重要因素。
协调模型Ⅲ不仅适合试点期间的节能发电调度(区域内仅部分省份实行节能发电调度),而且也适合全国所有省份实施节能发电调度(或区域内所有省份实行节能发电调度)。协调模型Ⅰ、Ⅱ、Ⅳ仅适合全国所有省份实施节能发电调度(或区域内所有省份实行节能发电调度)。
4 节能发电调度在电力生产环节的协调
在发电环节,改变传统的发电调度方式,改变各类机组平均分配发电利用小时数的传统调度模式,以电网安全稳定运行及连续可靠供电为约束,以节能、环保、经济、公平为目标,以电力系统内发、输、供电设备为调度对象,根据年度、季度、月度、日前机组发电组合基础方案,按照发电排序表(见《办法》),优先调度可再生和清洁发电资源以及高效节能环保机组发电,限制能耗高、污染大的机组发电,促进电力系统高效、清洁运行。同时,优化火电厂生产过程,尽可能进行节能减排。也可考虑在火电厂推行合同能源管理机制,进行电厂节能减排。
在输配电环节,合理安排、调整电网运行方式,尽量降低输配电损耗。
在电力零售及用户环节,加强需求侧管理,以市场信号科学引导用户合理用电,为节能发电调度的实施创造更大的操作空间,进一步提高节能减排的成效。节能发电调度不能局限于电力工业的内部,应逐步通过市场价格唤起全社会的节能意识。在重视降低单位发电能耗指标的同时,还应逐步通过市场价格抑制低效电力需求,以价格机制实现电力需求侧管理,实现发电、输配电和用电全过程的节能减排。
5 节能发电调度跨省跨区协调模型与经济补偿机制的协调
实施节能发电调度,需要建立一套行之有效的节能发电调度经济利益补偿机制以及结算模式,否则将影响节能发电调度的顺利实施;不同的跨省跨区协调模型,对应不同的经济补偿机制及结算模式。适合协调模型Ⅰ、Ⅱ的经济补偿机制,见文献[4]中的模式9;适合协调模型Ⅲ的经济补偿机制,见文献[3-4]中的模式1~8;适合协调模型Ⅳ的经济补偿机制,见文献[4]中的模式10。
6 节能发电调度跨省跨区协调模型与区域经济发展的协调
我国目前实行的是中央和省2级财政,客观上形成的政治经济关系是以省为基础,国民经济发展计划和规划也是以省为基础制订的,国家的大政方针、宏观调控政策(包括电价机制)通过省级政府实施。各区域各省的经济发展水平、能源结构、电力需求水平、电价体系有较大差别。实施节能发电调度后,不同的跨省跨区协调模型,可能会对各省的利益及经济发展产生影响。因此,节能发电调度的跨省跨区协调模型,应考虑现行的财政体制和经济发展格局,应与各区域及区域内各省经济发展相协调,在资源优化配置时,应全面贯彻区域经济协调发展的科学发展观,解决资源配置的公平性问题,支持各省经济的发展。
实现基本公共服务均等化、引导生产要素跨区跨省合理流动,是逐步缩小各区域及区域内各省发展差距、促进各区域各省经济协调发展的重要途径。因此,在国家还没有真正实现“基本公共服务均等化和生产要素合理流动”的缩小区域发展差距、促进各区域各省协调发展之前,节能发电调度的跨省跨区协调模型,要考虑跨省跨区资源优化配置与公平配置的有效协调,实现节能减排的帕累托改进。
7 结语
本文及文献[1-4]建立了节能发电调度协调理论,从空间尺度、时间尺度、电力生产环节、经济补偿机制、区域经济协调发展、控制对象、电网安全稳定控制策略、优化目标、“三公”调度等9个方面,研究了节能发电调度面临的多种复杂的协调要求,提出了节能发电调度的协调调度模型及协调调度机制,确保节能发电调度的调度流畅性,最大限度地实现电力节能减排目标。
由于《办法》取消了发电企业的年度、月度发电计划,仅根据次日的供需情况、电网约束及机组的发电排序来确定发电企业次日的电力生产(次日机组节能发电调度计划),可能给发电企业的日常生产、经营工作等带来不确定性,这里提出的节能发电调度协调模型,使发电企业在安排生产计划、经营指标时,便于有序地组织生产。
摘要：建立了节能发电调度协调理论的整体架构,重点研究了节能发电调度在空间尺度、时间尺度、电力生产环节、经济补偿机制、区域经济协调发展等方面的协调机制及协调模型。在空间尺度与时间尺度上,提出了“自下而上预决策及申报、自上而下决策、多级优化协调、逐级细化”的国家、区域、省3级节能发电调度的协调调度机制、协调调度模型及算法,该模型不仅考虑了3级节能发电调度在当前时间级的以电力系统安全稳定运行和连续可靠供电为约束、以节能减排为优化目标的协调,也考虑了当前时间级的3级节能发电调度与上一时间级、下一时间级之间的相互优化协调,确保节能发电调度的调度流畅性,最大限度地实现电力节能减排目标。
协调调度模型 篇5
甘特图是由科学管理大师甘特(Henry Laurence Gantt,1861-1919)先生在1917年提出的,它是解决车间生产排序问题的一种十分有效的工具。甘特图建立了一个基于时间的网络,能直观地反映车间任务的工期、进度、逻辑关系及关键路径。它将某些已经完成的工作和即将要做的工作绘制在一条时间轴(横轴)上,将承担各项工作的人或设备绘制在纵轴上,以简洁直观的图形方式图形化了生产调度的复杂数据,使车间的生产计划安排情况一目了然,成为管理人员了解全局、安排车间生产进度的有效工具。
在一般的甘特图工具中,甘特图一旦生成后,如果出现一些情况,比如任务进展比计划要快,或者设备需要维修导致任务进展必需延迟的时候,要使计划的任务排定时间能跟实际情况匹配的话,需要手工调节。本文主要以炼钢厂生产调度的甘特图为例,阐述如何在甘特图中加入自动协调算法,并根据设备工作的实际情况来自动更新甘特图,减少手工移动甘特图,尽可能在无人工干预的情况下使调度结果完善,最大程度地符合现场的实际情况。
1 甘特图的生成
本文介绍的甘特图是用功能强大的VS2005中的C#.net语言和Oracle数据库这两大工具共同开发而成,其中运用了C#自带的GDI+类库强大的画图技术及.Net remoting的远程通信技术,并采用了C/S三层体系结构,将甘特图的展现与操作放在了客户端,数据的更新访问放在了服务器端,数据的保存放在了Oracle数据库服务器上。
1.1 界面设计
在客户端采用C#中System.Drawing的DLL中的类库来绘制甘特图,作为横轴的时间轴以分钟为单位,画当前时间前两个小时以及当前时间后23小时,基本上已经能满足炼钢厂的日计划排程。纵轴设备区域,采用将图片绘制到背景上的方法,根据每个设备上任务的不同工作状态用不同的图片绘制。横轴方向因显示25小时的任务,而无法一次性在屏幕中全部显示出来,采用滚动条方式滚动显示。为了显示每个设备上选中计划任务的详细信息,加一个List BOX专门显示选中任务的详细信息。
1.1.1 布局设计
按照甘特图的功能以及界面设计的思想,甘特图的布局设计如图一所示。
1.1.2 油图例说明
对每个设备工作时的任务块进行图例设计,如图二所示。
1区:显示熔炼号。已生产完的和处于计划状态的炉号用同一种颜色表示,处于生产状态的炉号用不同的颜色表示,且转炉工序一致的炉号颜色相同。
2区:显示该炉的计划浇次序号和计划铸机号,表示的格式为浇次序号/铸机号。
3区:浇次号(不同的颜色表示不同的浇次号)。
1.1.3 效果图
根据布局设计和任务块的设计思路,以及部分实际数据,在软件完成后,可得效果图如图三所示。
1.2 数据库设计
本文数据库采用Oracle10g,存放甘特图各个设备工作任务信息的数据表结构,如表一所示
1.3 数据获取
应用服务端保持数据库连接,随时访问和提交更新操作到数据库;客户端通过调用服务端的服务随时获取需要的数据,以及提交用户操作的和自动协调算法生成的更新操作。客户端的调用是采用.Net remoting代理来远程调用执行自己的请求操作,获得需要的数据或者提交需要变更的数据。获取数据后,即需要将数据展现出来,形成甘特图。
1.4 数据展现
客户端从服务端获取了数据后,需要将任务记录转换成甘特图任务块,即根据任务记录的当前状态选择计划时间或者实际时间来转换为甘特图任务块的起止坐标。根据任务标识的编码规则识别出该甘特图任务块对应的是哪个设备。
1.5 甘特图手工干预
因为甘特图能使炼钢厂调度员对生产车间有一个很直观的了解,调度人员能根据个人智慧以及生产管理中积累的经验进行相应的手工干预,从而使车间的生产向着高效、合理的方向进行。为了要实现调度员手工参与甘特图的调整,则需要实现甘特图的移动、新增、删除、时间长度调整等相关操作。对于这些操作来说,首先要通过鼠标点击任务块的操作来识别选中的任务块,然后,用鼠标拖动,或者点右键删除,或者将鼠标靠近任务块的两端来调节任务块的时间长度。通过鼠标调节的方式可以调整甘特图的任务信息,但很难做到调整精细的地步,可以通过采用鼠标点击右键选择录入信息来设置该任务块的信息,则可以做到精确调整甘特图任务块。
调度人员手工参与修改甘特图能使车间生产情况更高效、更合理。因此,当车间实际状态发生与计划状态变动差别比较大的时候就需要调度人员来修改甘特图。而车间的生产情况是经常发生变动的,因此传统甘特图经常需要调度人员手工干预。而对于车间有很大一部分情况的变动其实无需人工干预而可以通过计算机的计算使甘特图自动变动到合乎实际情况。
2 自动协调算法
传统的甘特图不能很清楚地表达工作之间的逻辑关系,因而每个工序上的工作的提前或者滞后或者持续时间的变化所造成的影响不能直接的表达出来,本文提出自动协调算法就是为了解决这个问题。自动协调,即是根据每个工序的实际情况,实时计算本工序下个任务的开始时间,以及本工序正在执行任务的后续工序的开始时间。设当前时间为TNOW,本工序正在执行的任务还需要M分钟执行完,每个任务在本工序执行间隔时间为m,则本工序下个任务的可执行开始时间为TW=TNOW+M+m。本工序任务执行完毕后送到下个工序所花时间为s,则本工序正在执行的任务最早执行时间为TN=TNOW+M+s。当下道工序可执行下个任务的时间TW>TN的时候,本任务的下道工序时间为TW否则为TN。算法实现如下:
协调后的数据需要保存到数据库中,以用来保证下次读数据库时能读到协调后的数据。
3 结束语
甘特图因简单明了被广泛应用于项目管理中。本文提出的甘特图自动协调算法克服了传统的甘特图需要手工调节才能与实际情况相符合的弊端,能随时根据现场情况的变动自动调整甘特图的排程情况,减少了人工参与重排计划的情况,节约了时间,提高了工作效率,并且使人能一目了然的看出各个工序时间的逻辑关系,以及设备的瓶颈所在。本文内容已作为炼钢厂生产调度中心调度软件的一部分已在使用,并产生了良好的效益,得到调度人员的好评。
参考文献
[1]A.Radwan.Computerised dynamic Ganttchart for maintenance scheduling and management.Inderscience Publishers,2000:251-260.
[2]Jia,H.Z.;Fuh,J.Y.H.;Nee,A.Y.C.;Zhang,Y.F.In-t eg ration of genetic algorithm and Gantt chart for job shop scheduling in distributed manufacturing systems.2007:313-320.
[3]王俊,杨涛.基于JSP技术的项目甘特图设计与实现[J].现代制造工程,2008,2.
协调调度模型 篇6
关键词：风电,并网,热电风电协调调度,热电联产机组,水源热泵,调峰
0 引言
风能是目前开发技术最为成熟、规模效益明显和利用前景最为看好的可再生能源,近年来风力发电的发展势头强劲,风电装机容量不断增加,截至2011年底,中国风电累计装机容量达到62.73 GW[1]。但是风电出力具有间歇性和波动性等特点[2,3],大规模的风电并网会增大电力系统运行风险,特别是给系统调峰带来困难。
要实现大规模的风电并网,需对风电出力进行一定的控制,以平抑其波动性。目前,平滑风电出力的方式主要有2种:一是直接功率控制,通过调节桨距角或风机的转速等机组运行状态来实现;二是为风电配置一定容量的储能系统,通过储能系统与电网的双向功率交换,实现风电出力波动的平抑。文献[4-7]通过变桨距、控制转子转速或变速变桨距协调控制等方式实现风能充足时的稳定功率输出和风能不足时的最大功率跟踪,在一定程度上减小了风电出力的波动。文献[8-10]采用蓄电池、超级电容等快速储能装置实现风电潮流的优化控制,平滑风电注入电网的有功功率。文献[11-12]充分利用水电的储能能力,提出水电-风电系统联合调峰运行策略。文献[13]针对我国北方地区风资源和煤炭资源丰富的特点,提出了“风电-火电打捆上网”的方法,有效降低了风电波动性对电网的影响。
以上文献在改善风电并网功率和调峰方面都取得较好的效果。但通过调节机组运行状态的直接功率控制方法功率调节能力有限,难以实现大规模的风电并网运行。为风电配置储能系统需要增加硬件装置,加大投资。
目前,我国风电主要集中在“三北”(东北、西北、华北)地区,而这些地区网内存在高比例的热电联产机组,热电联产机组通常按照以热定电模式运行,调峰能力有限,难以承受风电出力的大幅波动,大量现有研究表明二者的大量共存会给电网调峰带来困难[14,15]。文献[16]指出内蒙古电网在冬季供暖期间,风电低谷大出力,反调峰几率高,而网内供热机组因承担供热任务,一般不参与调峰,导致系统调峰能力不足。文献[17]指出随着我国“三北”地区风电规模的逐渐增大,到冬季煤电机组供热期、水电机组枯水期、风电机组大发期相互叠加,导致调峰困难,弃风严重。
基于以上背景,本文提出热电风电协调调度方法,即把热电联产机组、集中式水源热泵和分布式热泵看成一个整体加以控制,通过调节热电联产机组的出力和集中式水源热泵的耗电功率以及用户侧分布式热泵的开启时间,在保证各用户原有热量供应的基础上,改变整体发电出力,等效改变风电出力,并基于风电出力标准差和调峰不足率指标对热电风电协调调度模式和传统的以热定电模式进行了对比研究,验证本文方法在平滑风电出力和缓解系统调峰压力方面的有效性。
1 热电风电协调调度方法及数学模型
1.1 热电风电协调的基本思路
热电风电协调调度基本思想是把抽凝式热电联产机组和电厂侧的集中式水源热泵构成的联合热源作为“源控点”,同时在用户终端使用分布式热泵作为“受控点”,通过优化控制“源控点”热电联产机组的发电出力和集中式水源热泵的耗电功率以及“受控点”分布式热泵的启动时间,等效改变风电出力,减小风电出力的波动。
具体协调调度过程如图1所示,当风电出力处于低谷时,可以在“源控点”减少集中式水源热泵消耗功率和抽凝式热电联产机组采暖供热出力,相应获得的热电发电出力增量可等效填补原来风电出力曲线的低谷;同时“源控点”减少的采暖热水,通过对供暖延时与风电出力的峰谷时间差之间的优化匹配,在“受控点”通过分布式热泵进行补偿,相应产生的耗电增量可等效削减原来风电出力曲线的高峰;这样对风电出力进行一系列的“削峰填谷”,最终实现减少等效风电出力的波动。
由于风电场群出力在短时间内具有互补性,变化速率在每分钟0%~1.5%之间的概率为99%[13],而抽凝式热电联产机组的出力爬坡速率是每分钟2%~3%,集中式水源热泵和分布式热泵均可即时响应,从而由这三者组成的联合体变化速率可以跟上风电出力变化速率,所以利用热电风电协调调度方法调整风电出力变化是可行的。
1.2 数学模型
本文提出基于联合热源的热电风电协调调度方法来减少风电出力的波动,目标函数设为风电出力波动的标准差最小。
其中,T为计算时长;Δpwind为经过热电风电协调调度调整以后,等效风电出力曲线的波动幅度;pwind(t)为调整后新的等效风电出力;为pwind(t)的算术平均值。
根据用户与“源控点”的距离把用户分成N组,设第i组用户到“源控点”距离为li,同时设热水流速为v,调度时间间隔为ΔT。为方便计算,在全文中功率的单位统一为MW,距离单位为m。
基于抽凝式热电联产机组、集中式水源热泵和分布式热泵组成的联合热源系统,得到t时刻的等效风电出力pwind(t)和供热功率减少量Δq(t)的表达式:
其中,Pwind(t)为实际风电出力;为热电风电协调调度模式下,考虑爬坡速率后的热电联产机组有效出力;PCHP(t)为抽凝式热电联产机组在原来以热定电模式下的发电出力;QCHP(t)和QWSHP(t)分别为以热定电调度模式下的热电联产机组和集中式水源热泵的供暖出力;qCHP(t)和qWSHP(t)为在热电风电协调调度模式下的抽凝式热电联产机组和集中式水源热泵的供暖出力;PWSHP(t)和pWSHP(t)分别为以热定电模式和热电风电协调调度模式下集中式水源热泵为提供采暖热水所消耗的电功率;pDHPsum(t)为t时刻所有用户处热泵的耗电功率之和。
由于“源控点”热水到用户i需要一定的传输时间Δti,即t时刻的供热减少量Δq(t)需要延时Δti才能对用户供热造成影响,故需在t+Δti时刻在用户侧开启分布式热泵进行供热,则:
其中,qDHP(t+Δti,li)为距离“源控点”li的用户在t+Δti时刻开启分布式热泵的供热出力。
其中,CWSHP、CDHP分别为集中式水源热泵和分布式热泵的性能系数;pDHP(t,li)为距离“源控点”li的用户在t时刻的耗电功率。
热电风电协调调度约束条件如式(9)—(12)所示[18,19,20,21,22,23]:
其中,pCHPmin(t)、pCHPmax(t)分别为t时刻最小、最大发电出力[17],V为爬坡速率。式(9)、(11)、(12)分别为热电联产机组的供暖出力约束、发电出力约束、功率调节速率约束;式(10)为距离“源控点”li的用户的热负荷约束,其最大热负荷为QLoad(t,li)。
2 热电风电协调调度下日调峰能力分析
2.1 系统接入风电的调峰需求变化
电力负荷由于受多种因素的影响,随时间不断变化,同时具有一定的规律性。这里选用日负荷曲线,描述系统接入风电的调峰需求变化。
图2所示为电力系统的日负荷曲线,描述了电力系统一天24 h的负荷变化情况。当电力系统没有接入风电前,调峰需求表现为该时刻负荷与日最小负荷的差值。风电接入系统后,若日前能准确预测风电出力,则系统调峰需求表现为净负荷曲线该时刻的负荷与该日最小净负荷之差[24]。其中,净负荷曲线定义为:将风电看成负的负荷,在日负荷曲线上减去风电出力后得到的曲线。
由于风电出力的间歇性和随机性,风机有可能在系统日负荷最大时,出现低出力甚至零出力情况,而在系统日负荷最小时,出现满发情况,使得系统的日调峰需求具有较大的波动性。本文将热电联产机组、集中式水源热泵和分布式热泵看成一个联合体,通过热电风电协调调度,调整风电出力曲线,使得等效风电出力波动尽量小,从而降低系统的调峰需求。风电接入前后调峰需求曲线如图3所示。
2.2 协调调度下系统日调峰能力分析流程
先定义系统调峰容量为系统正常运行机组出力与运行机组最小技术出力之差。调峰不足率定义为一定时间内调峰不足次数与总调峰次数的比值。
本文进行日调峰能力分析,具体步骤如下。
a.根据风速分布模拟风电出力时序曲线;采用热电风电协调调度方法,对风电出力曲线进行调整,得到等效风电出力时序曲线。
b.由等效风电出力时序曲线和负荷时序曲线得到净负荷时序曲线,计算日调峰需求Pdem(t)。
c.由系统调峰容量PES,判断t时刻调峰是否充裕,判断式为PES≥Pdem(t)。若该式成立,则认为该时刻调峰充裕,否则认为该时刻调峰不足,并对调峰不足次数进行统计。
d.判断该日模拟是否结束,若结束,则计算该日调峰不足率PRES=NRES/96,其中,NRES为该日调峰不足次数。
3 算例分析
算例条件如下:热源侧承担采暖负荷共327 MW,选择电厂侧的集中式水源热泵的总热容量是150 MW,性能系数为5,选用一台C135/N150-13.24型抽凝式热电联产机组供热出力177 MW,供电出力130 MW,爬坡速率V=±2 MW/min。系统调峰容量为25 MW。
风速采用威布尔分布,形状参数为2.1,尺度参数为5.5。切入风速取3 m/s,切出风速为15 m/s,额定风速为8 m/s,并网风电额定功率为10 MW,按文献[25]计算风电出力,得到风电出力曲线,其中参数A、B、C分别取0.36、0.24、0.04。负荷曲线采用修改的某地区典型日负荷曲线,如图4所示。
热电风电协调调度的单位调度时间为15 min,总调度时长为24 h,共96个时段。热水流速为2.5 m/s,用户间隔为2.25 m,居于采暖终端用户处的分布式热泵的性能系数设为5.0。
模拟实际供热状况,得到一组近端型的热负荷分布[26],结果如表1所示。
采用热电风电协调调度方法得到的等效风电出力曲线如图5所示,系统日调峰不足率如表2所示。
通过对10 MW风电并网容量下热电风电协调调度模式的研究可以得到如下结论。
a.经过热电风电协调调度,等效风电出力曲线几乎变为一条直线,平滑效果较好。经计算,采用以热定电模式和协调调度模式得到的风电出力标准差分别为3.5947和0.1021,表明热电风电协调调度可以显著降低风电出力的波动性。
b.采用热电风电协调调度模式能够显著降低系统的调峰不足率,有效缓解了系统的调峰压力。
为进一步研究风电并网容量对等效风电出力波动性和系统日调峰能力的影响,将风电并网容量增加至20 MW、30 MW,其等效风电出力、标准差、日调峰不足率如图6、表3、表4所示。
通过增大风电并网容量,对比分析热电风电协调调度模式和传统的以热定电模式在风电出力平滑和调峰方面的能力,可以得到以下结论。
a.图6等效风电曲线和表4的标准差表明,随着风电并网容量的增加,等效风电出力波动性稍有增大,但仍能较好地保持等效风电出力的平稳性,体现了热电风电协调调度对风电出力具有良好的平滑性能。
b.表3表明,采用以热定电模式,风电出力的波动性随着风电并网容量增大而显著增加,日调峰不足率也显著增大。
c.表4表明,采用热电风电协调调度方法,随着风电并网容量的增大,等效风电出力的标准差较小,略有增大,日调峰不足率也保持较低水平,小于0.02。通过表3、表4的对比表明,热电风电协调调度方法能有效平滑风电出力,显著降低系统的日调峰不足率。
4 结论
协调调度模型 篇7
服务器规模庞大, 能耗开销大, 资源异构多样, 用户群体广泛, 应用任务类型各异, QoS目标约束要求各不相同, 云计算系统时刻都要处理大量的用户任务和海量数据。如何对云系统中的资源进行合理分配管理, 使得海量用户服务请求均能在一个相对较短的响应时间内完成, 同时确保云计算系统的资源利用率较高且整体负载水平相对均衡, 成为了云计算领域中的一个研究热点和技术难点。本文针对现有研究策略所存在的缺陷, 设计并提出了功耗性能层级资源调度控制架构, 并对集群级功耗控制层系统建模。
2 集群级功耗控制层架构
集群级功耗控制层是多层级控制架构中的主控制层, 基于集群级的功耗控制而设计架构, 每个集群一个集群级功耗控制层。集群级功耗主控制层的主要设计实现原理如下:在集群级功耗控制过程中, 通过功耗控制器提供一个接口, 根据从上一控制周期得到的各服务器对各自响应时间数据的反馈情况, 对各台服务器按需分配集群功率, 即给不同服务器分配不同的功率分配权重, 并通过动态电压和频率调节 (DVFS) 来调整每台服务器的CPU频率, 从而使集群级功耗控制器能动态控制集群内部所有服务器的整体功耗, 在满足硬件本身的功率、CPU频率限定的范围内, 实现对集群功率资源的合理分配, 使集群电力功耗能够被充分有效的利用, 并实现保证服务质量并有效降耗的目的。在集群级功耗控制层中包括集群级的功耗控制器和功耗监控器 (万用表) , 服务器级的CPU频率调节器, 以及虚拟机级的QoS监控器 (主要负责监控应用响应时间) 。
3 集群级功耗控制层系统建模
基于控制理论原理, 可以得到第i台服务器的功耗模型如下:Power (k+1, i) =Power (k, i) +ai△f (k, i) , 其中ai是一个广义参数, 其具体值会因服务器系统和工作负载的不同而变化。系统模型中, 控制目标是在某一设定时间内 (即控制周期内) , 保证Powertotal (k) 收敛于Powerset, 模型的准确性已经通过伪随机数字白噪声输入验证, 总功耗Powertotal (k) 则是指所有服务器的功耗之和, 即, 可得集群级总功耗控制系统模型如下:Powertotal (k+1) =Powertotal (k) +A△f (k) 其中, A={a1, a2……an}, △f (k, i) ={△f (k, 1) , △f (k, 2) ……△f (k, n) }。
摘要：随着大数据时代的到来, 消费者对企业级集群服务器的需求也越来越大, 随之而来的集群功耗与服务质量的协调控制管理问题也变得越来越迫切。为此, 针对现有研究策略所存在的缺陷, 设计并提出了功耗性能层级资源调度控制架构, 并对集群级功耗控制层系统建模。
关键词：集群功耗,服务质量,调度策略建模
参考文献
[1]Wang X, Wang Y.Coordinating power control and performance management for virtualized server clusters[C].IEEE TRANS.PARALLEL DISTRIB.SYST, 2011:245-259.